A jelen mesterséges intelligenciája, a gépi tanulás, különösen annak legmodernebb változata, a mélytanulás (deep learning) a közösségi hálózatoktól a Google keresőig, szinte mindenhol jelen van. Túl az infokom világán, a gazdasági élettől az egészségügyig, az élet egyre több területén meghatározó jelentőségű háttér-tényező.
Hamarosan segíthet például a vérnyomásunk mérésében, vagy a termosztátot is beállíthatja. A Massachusetts Institute of Technology, a legendás MIT kutatói ugyanis fejlesztenek egy, mélytanuló ideghálókat a mai számítógépes chipeknél kisebb eszközökbe, orvosi műszereket, háztartási berendezéseket részben működtető szenzorokba ágyazó parányi rendszert. Nagyjából 250 milliárd tárgyról van szó. Hálózataik alkotják a világméretű szuperhálózatot, az „ember nélküli internetet.”
Az IoT az 1980-as években született. Először a pittsburghi Carnegie Mellon Egyetem kutatói kapcsoltak az internetre egy Coca Cola automatát, mert biztosra akartak menni, hogy a gépben legyen elég üdítő, ne kelljen feleslegesen odamenniük.
A világ első internetre kapcsolódó berendezésétől hosszú út vezetett a jelen áttekinthetetlen rendszerhalmazáig, és a lustaságból feltaláló fejlesztők sem gondolták, hogy közel negyven év múlva a földkerekség egyik legfontosabb technológiájává váló hálózatnak rakták le az alapjait.
Az IoT hétköznapi tárgyak tömkelegét kapcsolja össze, amelyek általában mikrokontrollereken, azaz operációs rendszer nélküli egyszerű számítógépes chipeken futnak. Feldolgozó kapacitásuk minimális, és egy átlagos okostelefon memóriája legalább ezerszer nagyobb. Ilyen technológiai paraméterekkel elég egyértelmű, hogy a mintafelismeréssel járó feladatok, például a mélytanulás lokálisan kvázi kivitelezhetetlen IoT-s eszközökön. A rajtuk gyűjtött adatok komplex elemzése általában a számítási felhőben történik, tehát oda küldik őket, és törvényszerűen nyílnak biztonsági rések, amelyeket hackerek ki is használnak.
A mélytanuló ideghálók e pirinyó eszközökbe ágyazása kockázatmentes megoldás, csakhogy könnyebb leírni, mint megvalósítani. Ezért nem meglepő, hogy az MIT mellett infokom óriásvállalatok, például a Google és az ARM is gőzerővel dolgoznak rajta, de eddig még nem született működő rendszer. Az MIT-é viszont korábban elképzelhetetlen pontossággal és gyorsasággal dolgozó kompakt ideghálókat generál, amelyekkel az igencsak korlátozott memória és feldolgozó kapacitás ellenére már helyben, az IoT-s eszközökön is megy a mélytanulás. Két komponensből áll: az egyik hasonlít az operációs rendszerekhez, az erőforrásokat kezeli, és egyedi ideghálók futtatására optimalizálták. A másik neurális architektúrákat kereső algoritmus.
A mostani keresőtechnikák sok lehetséges változat közül fokozatosan választják ki az ideálist, ami GPU vagy okostelefon esetében tökéletes, mikrokontrollernél problémás. Az algoritmust pontosan ezért optimalizálták rájuk, a felesleges paramétereket ki is hagyták belőle. A következtetőmotorként is funkcionáló, mindössze egy mega flash memóriával rendelkező másikat, kódostól, mindenestől szintén a célnak megfelelően „csupaszították le.” A kettőt együtt fejlesztették, együttműködésüket így már menetközben próbálgatták. Először képeket osztályozott, az újakkal 70,7 százalékot ért el – a legmodernebb idegháló-következtető gép kombók átlagosan 54-et teljesítenek. A különbség magáért beszél. Más audió és vizuális teszteket szintén elvégeztek vele, és megint gyorsnak és pontosnak bizonyult, tehát változatos területeken alkalmazható.
A kutatók bizakodnak, hogy fejlesztésük lesz az újgenerációs mikrokontrollerek ipari szabványa. Óriási potenciál rejlik benne: csökken az energiafogyasztás, zöldebbé válik az MI, kevesebb emberi erőforrás kell hozzá, és mivel az infókat nem kell a számítási felhőbe küldeni, nő az adatbiztonság, nagyobb védelmet kap a magánszféra (privacy), nehezebben lopják el a személyes, egészségügyi stb. adatokat, és korlátozott internet-hozzáférésű helyeken is működik. Szintet léphet vele az IoT.
Kövesd az oldalunkat a Facebook-on és a Twitteren is!
